如何将 PCA 应用于图像

Question

我有一张灰度噪声图像。我想应用PCA降噪，应用后看看输出。

这是我尝试做的：

[输入]：

from sklearn.datasets import load_sample_image
from sklearn.feature_extraction import image
from sklearn.decomposition import PCA
# Create patches of size 25 by 25 and create a matrix from all patches
patches = image.extract_patches_2d(grayscale_image, (25, 25), random_state = 42)
print(patches.shape)
# reshape patches because I got an error when applying fit_transform(ValueError: FoundValueError: Found array with dim 3. Estimator expected <= 2.)
patches_reshaped = patches.reshape(2,-1)
#apply PCA
pca = PCA()
projected = pca.fit_transform(patches_reshaped.data)
denoised_image = pca.inverse_transform(projected)
imshow(denoised_image)

[出]：

_{（来源：imggmi.com）}

结果我得到了一个数组。如何查看去噪图像？

Answer 1

为了查看去噪图像，您需要将使用主成分以某种低维表示的数据转换回原始空间。为此，您可以使用inverse_transform() 函数。从文档here 中可以看到，该函数将接受投影数据并返回一个与原始图像类似的数组。所以你可以做类似的事情，

denoised_image = pca.inverse_transform(projected)
# then view denoised_image

编辑：

以下是一些需要研究的问题：

1. 您有来自原始图像的53824 补丁，大小为(25,25)。为了重塑您的数据并将其传递给 PCA，正如您从文档 here 中看到的那样，您需要传递一个大小为 (n_samples, n_features) 的数组。您的样本数量为 53824。因此，重新整形的补丁应该是：

patches_reshaped = patches.reshape(patches.shape[0],-1)
# this should return a (53824, 625) shaped data

1. 现在您可以使用此重新整形的数据并使用 PCA 和逆变换对其进行转换，以获取原始域中的数据。之后，您的denoised_image 是一组重建的补丁。您将需要组合这些补丁以使用函数image.reconstruct_from_patches_2d 获取图像here 是文档。所以你可以做类似的事情，

denoised_image = image.reconstruct_from_patches_2d(denoised_image.reshape(-1,25,25), grayscale_image.shape)

现在您可以查看denoised_image，它应该看起来像grayscale_image。